Pytorch深度学习入门与实战，新版Pytorch零基础教程

1.pytorch概述 

章节1-1Pytorch安装.mp4

2.深度学习基础与线性回归实例

章节2-1机器学习基础-线性回归.mp4

章节2-2收入数据集读取与观察.mp4

章节2-3初始化模型、损失函数和优化方法.mp4

章节2-4模型训练与结果可视化.mp4

20.Tensorboard可视化

章节20-1Tensorboard安装与导入.mp4

章节20-2Tensorboard可视化.mp4

章节20-3Tensorboadr网络模型结构可视化.mp4

章节20-4标量数据可视化.mp4

21.一维卷积网络

章节21-1一维卷积原理与网络结构.mp4

章节21-2中文分词.mp4

章节21-3创建词表.mp4

章节21-4划分数据集.mp4

章节21-5批处理函数.mp4

章节21-6模型初始化.mp4

章节21-7模型前向传播与训练.mp4

23.语义分割图片的标注——Labelme使用教程

[23.1]–Labelme的安装和单张图片的标注.mp4

[23.2]–从标注文件生成图像语义分割数据集.mp4

[23.3]–标注图片的读取和验证.mp4

24.多任务学习

[24.1]–多任务学习简介.mp4

[24.2]–多任务标签预处理.mp4

[24.3]–创建dataset.mp4

[24.4]–多任务模型创建(一).mp4

[24.5]–多任务模型创建(二).mp4

[24.6]–多任务模型的训练.mp4

25.目标识别与目标检测

[25.1]–目标识别综述——two_stage目标检测算法.mp4

[25.10]–目标识别标注文件的解析（一）.mp4

[25.11]–目标识别标注文件的解析（二）.mp4

[25.12]–创建输入Dataset.mp4

[25.13]–创建dataloader、初始化模型和优化器.mp4

[25.14]–目标识别的模型训练.mp4

[25.15]–目标识别的模型预测.mp4

[25.2]–目标识别综述——one_stage目标检测算法.mp4

[25.3]–PyTorch内置的目标检测模块.mp4

[25.4]–使用PyTorch内置目标检测模块.mp4

[25.5]–目标识别预测结果解读与可视化.mp4

[25.6]–PyTorch目标检测的使用.mp4

[25.7]–目标检测的图像标注.mp4

[25.8]–标注自有数据集并安装所需的库.mp4

[25.9]–修改PyTorch内置目标检测模型的输出.mp4

3.pytorch张量

章节3-1Pytorch张量与数据类型.mp4

章节3-2张量运算与形状变换.mp4

章节3-3张量微分运算.mp4

章节3-4入门实例的分解写法-.mp4

4.逻辑回归与多层感知机

章节4-10添加正确率和验证数据.mp4

章节4-1逻辑回归简介与数据预处理.mp4

章节4-2逻辑回归模型的创建与训练.mp4

章节4-3多层感知器简介.mp4

章节4-4多层感知器实例-数据预处理.mp4

章节4-5多层感知器模型创建.mp4

章节4-6多层感知器模型改写与解释.mp4

章节4-7多层感知器模型训练.mp4

章节4-8使用Dataset和Dataloader加载模型数据.mp4

章节4-9划分验证数据和测试数据.mp4

5.多分类问题

章节5-1Softmax多分类与鸢尾花数据集预处理.mp4

章节5-2多分类模型创建与损失函数.mp4

章节5-3多分类模型训练与调试.mp4

章节5-4编写通用训练函数（一）.mp4

章节5-5编写通用训练函数（二）.mp4

6.手写数字全连接模型

章节6-1MNIST数据集的下载和使用.mp4

章节6-2认识手写数据集MNIST.mp4

章节6-3MNIST数据集全连接模型训练.mp4

7.基础部分总结

章节7-1梯度下降算法与学习速率.mp4

章节7-2反向传播算法与优化器.mp4

章节7-3基础部分知识点总结.mp4

章节7-4基础部分作业——Fashi-MNIST数据分类.mp4

8.计算机视觉基础

章节8-10Dropout抑制过拟合.mp4

章节8-11Dropout代码实现-.mp4

章节8-12批标准化（BatchNormalization）简介.mp4

章节8-13BatchNormalization层的代码实现.mp4

章节8-14超参数选择原则.mp4

章节8-1什么是卷积.mp4

章节8-2卷积模型的整体架构.mp4

章节8-3卷积模型解决手写数字分类.mp4

章节8-4使用GPU加速训练.mp4

章节8-5卷积模型基础实例—四种天气数据集.mp4

章节8-6读取、预处理图片并创建Dataset.mp4

章节8-7创建Dataloader和可视化图片.mp4

章节8-8四种天气分类模型的创建.mp4

章节8-9卷积模型的训练.mp4

9.预训练模型(迁移学习)

章节9-1预训练模型与VGG架构.mp4

章节9-2预训练模型的使用介绍.mp4

章节9-3预训练模型VGG的代码实现.mp4

章节9-4图像数据增强.mp4

章节9-5学习速率衰减.mp4

章节9-6RESNET预训练模型.mp4

章节9-7微调与迁移学习.mp4

章节9-8模型权重保存.mp4

10.Dataset数据输入

章节10-1自定义输入Dataset类.mp4

章节10-2获取图片路径和标签.mp4

章节10-3创建四种天气数据集的Dataset.mp4

章节10-4创建输入并可视化.mp4

章节10-5划分测试数据和验证数据.mp4

章节10-6灵活的使用Dataset类构建输入.mp4

11.现代网络架构

章节11-10创建特征Dataset和分类模型.mp4

章节11-11模型训练和预测简介.mp4

章节11-12Inception网络结构简介.mp4

章节11-13Inception结构代码实现（一）.mp4

章节11-14Inception结构代码实现（二）.mp4

章节11-15Inception结构应用和优化—Googlenet和inception_v3简介.mp4

章节11-1Resnet和残差结构介绍.mp4

章节11-2Resnet结构代码实现（一）.mp4

章节11-3Resnet结构代码实现（二）.mp4

章节11-4DenseNet模型简介.mp4

章节11-5DenseNet提取图片特征—获取图片和标签.mp4

章节11-6类别编码、划分测试数据和训练数据.mp4

章节11-7创建输入Dataset.mp4

章节11-8创建Dataloader并可视化.mp4

章节11-9使用DenseNet卷积提取特征.mp4

12.图像定位

章节12-1常见图像处理任务和图像定位原理.mp4

章节12-2图像定位实例—数据观察与理解.mp4

章节12-3目标值得解析和可视化.mp4

章节12-4数据集路径读取与筛选.mp4

章节12-5解析xml目标值.mp4

章节12-6创建Dataset.mp4

章节12-7创建dataloader和图像可视化.mp4

章节12-8创建图像定位模型.mp4

章节12-9图像定位模型训练和预测.mp4

13.Unet图像语义分割

章节13-1图像语义分割简介.mp4

章节13-10前向传播部分.mp4

章节13-11模型训练-.mp4

章节13-12模型测试.mp4

章节13-13模型预测.mp4

章节13-2UNET语义分割结构介绍.mp4

章节13-3语义分割输入输出反卷积和Iou指标.mp4

章节13-4Unet语义分割数据观察.mp4

章节13-5创建dataset输入.mp4

章节13-6创建和测试dataset并绘图.mp4

章节13-7下采样模型-.mp4

章节13-8上采样模型.mp4

章节13-9unet模型初始化部分.mp4

14.LinNet图像语义分割

14-2无视频（课后作业，大家自己写出这个模型）.mp4

章节14-7解码器模块.mp4

章节14-1LinkNet图像语义分割简介.mp4

章节14-10模型前向传播.mp4

章节14-11模型训练和Iou指标.mp4

章节14-3代码组织结构.mp4

章节14-4卷积模块.mp4

章节14-5反卷积.mp4

章节14-6编码器模块.mp4

章节14-8输入和编码部分初始化.mp4

章节14-9解码器和输出部分初始化.mp4

15.文本分类与词嵌入表示

章节15-1文本表示与词嵌入.mp4

章节15-2文本向量化流程与分词.mp4

章节15-3文本向量化实现.mp4

章节15-4简单文本分类.mp4

章节15-5创建词表-认识数据集.mp4

章节15-6模型训练.mp4

章节15-7使用预训练的词向量.mp4

16.Rnn循环神经网络

章节16-6GRU网络简介.mp4

章节16-1Rnn循环神经网络介绍.mp4

章节16-2RnnCell在序列上展开模型实现.mp4

章节16-3RnnCell简单文本分类模型.mp4

章节16-4Lstm网络简介.mp4

章节16-5LstmMcell实现文本分类.mp4

章节16-7Lstm高价API.mp4

17（二）.中文外卖评论情绪分类

章节17-1（案例二）中文外卖评论情绪分类-上.mp4

章节17-2（案例二）中文外卖评论情绪分类-下.mp4

章节17-3RNN的优化方法.mp4

17（一）.twitter评论情绪分类

章节17-1twitter评论情绪分类-数据读取与观察.mp4

章节17-2twitter评论情绪分类-创建词表.mp4

章节17-3划分训练测试数据，创建dataset.mp4

章节17-4基础文本分类模型.mp4

章节17-5Lstm文本分类模型.mp4

18.注意力机制

章节18-1seq2seq简介.mp4

章节18-2注意力机制简介.mp4

章节18-3自注意力机制简介.mp4

章节18-4transformer简介.mp4

章节18-5transformer文本分类小案例.mp4

19.Rnn序列预测-北京空气质量

章节19-1数据读取与观察.mp4

章节19-2数据预处理.mp4

章节19-3数据预处理.mp4

章节19-4数据预处理.mp4

章节19-5创建dataset输入.mp4

章节19-6创建时序预测模型.mp4

章节19-7模型训练跟预测.mp4

章节19-8模型预测演示.mp4

课程资料

参考代码和部分数据集

课件

文本分类数据集

.condarc

densenet121-a639ec97.pth

inception_v3_google-1a9a5a14.pth

Miniconda3-latest-Windows-x86_64.exe

mobilenet_v2-b0353104.pth

resnet101-5d3b4d8f.pth

resnet18-5c106cde.pth

unet_model.pth

VC_redist.x64.exe

vgg16-397923af.pth

课程资料.rar